(PECL svm >= 0.1.0)
SVM::C_SVC
Базовый тип SVM. Тип по умолчанию, хорош для начала.
SVM::NU_SVC
Тип NU_SVC использует другой, более гибкий подход к развесовке ошибок.
SVM::ONE_CLASS
Одноклассовая модель. Тренирует только на одном классе, работает с «выпадающими» данными как с отрицательными примерами
SVM::EPSILON_SVR
Тип для регрессии (прогнозирование значения, а не просто класса)
SVM::NU_SVR
Тип регрессии SVM в стиле NU
SVM::KERNEL_LINEAR
Очень простое ядро, которое хорошо работает для классификации проблем больших документов
SVM::KERNEL_POLY
Полиноминальное ядро
SVM::KERNEL_RBF
Стандартное Гауссово RBD-ядро. Хорошо обрабатывает нелинейные проблемы и является хорошим значением по умолчанию для классификации
SVM::KERNEL_SIGMOID
Ядро, основанное на сигмоидной функции. Очень похоже на использование двухуровневой сигмоидной нейронной сети
SVM::KERNEL_PRECOMPUTED
Предварительно вычисленное ядро — пока не поддерживается
SVM::OPT_TYPE
Опциональный ключ для типа SVM
SVM::OPT_KERNEL_TYPE
Опциональный ключ для типа ядра
SVM::OPT_DEGREE
SVM::OPT_SHRINKING
Обучающий параметр — логическое значение, которое определяет, использовать ли эвристику сокращения
SVM::OPT_PROBABILITY
Параметр обучения — логическое значение, которое определяет, будут ли собираться и использоваться оценки вероятности
SVM::OPT_GAMMA
Параметр алгоритма для следующих типов ядра: Полиноминальное, RBF и Сигмоидное
SVM::OPT_NU
Опциональный ключ для параметра nu. Используется только с типами NU_ SVM
SVM::OPT_EPS
Опциональный ключ для параметра Epsilon. Используется только в Эпсилон-регрессии
SVM::OPT_P
Обучающий параметр для Эпсилон-регрессии SVR
SVM::OPT_COEF_ZERO
Параметр алгоритма для полиноминального и сигмоидного ядра
SVM::OPT_C
Опция для параметра стоимости, контролирующего компромисс между ошибками и неопределённостями — фактически штраф за ошибочную классификацию обучающих примеров.
SVM::OPT_CACHE_SIZE
Размер кеша в памяти в мегабайтах